以下內容為編譯自

https://knowledge.wharton.upenn.edu/article/want-better-forecasting-silence-the-noise/

前言 & 導讀

必須承認，選了這篇確實是誤打誤撞。由於英文的 noise 除了噪音的意思以外，也可以代表雜訊。本文主要是在說明雜訊是如何影響預測的，與預測噪音是沒有太大關聯的。昨天直接看完副標題以及看到中間的段落跟訓練模型有關，便推估在講述關於預測噪音相關的主題，是我的疏失，在此跟讀者們致歉。

然而之所以會繼續閱讀並且整理，是因為看完前兩段以後，確實內文有提到一些預測的方法論以及可以啟發思考的論述，而且是科普性質的談話節目整理出的逐字搞，可以快速加深筆者對此議題的認識。

主要論點

1. BIN model: 分別代表偏見（Bias）、資訊（Information）以及雜訊（Noise）：
   1. 為「Ville Satopӓӓ 教授」的研究結果與論點。
   2. 資訊：表示我們對於所要預測的事件知道多少：
      1. 愈大量，表示預測可以愈精確。
      2. 假設對於議題完全無知，一開始的準確度就是 50%。然而開始獲得一些資訊之後，預測準確度就會偏向某一邊，而偏向本身也會左右著最後發生的結果。
      3. 由於人類並非理性，所以預測的結果勢必會有錯誤。這些錯誤可歸類於兩類：偏見以及雜訊。
   3. 偏見：是系統性錯誤，可以再分成：
      1. 正面偏差：預測高機率會發生。
      2. 負面偏差：預測低機率會發生。
   4. 雜訊：隨機的錯誤
      1. 不論我們對於預測者的瞭解有多深，永遠都不可能知道雜訊到底是偏向哪邊、或有多少。
      2. 預測結果多樣：正因為有這些雜訊，才會有基於同樣事實作出的不同預測結果。
      3. 相較於偏見，雜訊對於預測結果是無用且無關聯的。
      4. 雜訊對於預測的影響比偏見來得大。假設總共能改進預測空間共 100%：
         1. 資訊佔 25%
         2. 偏見佔 25%
         3. 雜訊佔 50%
      5. 在時間線上，愈靠近結果發生，資訊會增加、偏見會減少，只有雜訊是維持不變的。
2. 人們傾向思考預測就是要 0% 或 100%：
   1. 介於中間的預測，為校準過的（calibrated）。
   2. 我們不能夠用一般的或然率的概念來解讀介於中間的預測：
      1. 如果說預測發生的機率是 30%，那表示如果我們能觀測 100 個平行宇宙，其中 30 個就會發生那個事件。
      2. 如果結果不發生，我們可以說「30% 會發生的預測」一定比「20% 會發生的預測」錯得還要更多一些。但人們傾向認為非黑即白，兩者錯的程度一樣。
   3. 即便最終沒有發生，不代表是個不好的預測。
3. 在看預測的時候，人們應該要隨時提醒自己可能會錯誤或忘記解讀的面向。
4. 當人以群體行動的時候，偏見會被消除，但被消除更多的是雜訊。
5. 使用演算法將人為因素抽離，進而消除雜訊。
   1. 人可能因為頭痛、分心、不同的心情等因素導致我們對於同樣的資訊組合，作出不同的判斷。所以交給機器做判斷會比較好。
   2. 但矛盾的是將人為因素抽離並不是大多數人希望看到的。例如人們不希望被電腦判斷有罪無罪，或是被診斷出罹患癌症。
   3. 但以目前機器的限度，仍然難以預測一些事件，例如英國是否脫歐、或是量子電腦是否帶來能源科技的革新。在這類的事情，人們可以作出預測，即便這些預測都是帶有大量雜訊的。

收工，讓我們明天繼續讀下去！